Inteligência artificial em saúde - Artificial intelligence in healthcare

Raio X de uma mão, com cálculo automático da idade óssea por um software de computador

Inteligência artificial na área da saúde é um termo abrangente usado para descrever o uso de algoritmos e software de aprendizado de máquina, ou inteligência artificial (IA), para imitar a cognição humana na análise, apresentação e compreensão de dados médicos e de saúde complexos. Especificamente, IA é a capacidade dos algoritmos de computador de aproximar as conclusões com base apenas nos dados de entrada.

O que distingue a tecnologia de IA das tecnologias tradicionais em saúde é a capacidade de reunir dados, processá-los e fornecer uma saída bem definida ao usuário final. A IA faz isso por meio de algoritmos de aprendizado de máquina e aprendizado profundo . Esses algoritmos podem reconhecer padrões de comportamento e criar sua própria lógica. Para obter insights e previsões úteis, os modelos de aprendizado de máquina devem ser treinados usando grandes quantidades de dados de entrada. Os algoritmos de IA se comportam de maneira diferente dos humanos de duas maneiras: (1) algoritmos são literais: uma vez que uma meta é definida, o algoritmo aprende exclusivamente a partir dos dados de entrada e só pode entender o que foi programado para fazer, (2) e algum aprendizado profundo algoritmos são caixas pretas ; algoritmos podem prever com extrema precisão, mas oferecem pouca ou nenhuma explicação compreensível para a lógica por trás de suas decisões, além dos dados e tipo de algoritmo usado.

O objetivo principal dos aplicativos de IA relacionados à saúde é analisar as relações entre as técnicas de prevenção ou tratamento e os resultados dos pacientes. Programas de IA são aplicadas a práticas como diagnóstico processos, protocolo de tratamento desenvolvimento, desenvolvimento de medicamentos , medicina personalizada e monitoramento de pacientes e cuidados. Os algoritmos de IA também podem ser usados ​​para analisar grandes quantidades de dados por meio de registros eletrônicos de saúde para prevenção e diagnóstico de doenças. Instituições médicas como a Clínica Mayo , o Centro de Câncer Memorial Sloan Kettering e o Serviço Nacional de Saúde Britânico desenvolveram algoritmos de IA para seus departamentos. Grandes empresas de tecnologia, como IBM e Google , também desenvolveram algoritmos de IA para saúde. Além disso, os hospitais estão buscando software de IA para apoiar iniciativas operacionais que aumentem a economia de custos, melhorem a satisfação do paciente e atendam às necessidades de pessoal e força de trabalho. Atualmente, o governo dos Estados Unidos está investindo bilhões de dólares para progredir no desenvolvimento da IA ​​na área da saúde. As empresas estão desenvolvendo tecnologias que ajudam os gerentes de saúde a melhorar as operações de negócios por meio do aumento da utilização, diminuição do embarque de pacientes, redução do tempo de internação e otimização dos níveis de pessoal.

Como o uso generalizado de IA na área de saúde é relativamente novo, existem várias preocupações éticas sem precedentes relacionadas à sua prática, como privacidade de dados, automação de empregos e vieses de representação.

História

Pesquisas nas décadas de 1960 e 1970 produziram o primeiro programa de solução de problemas, ou sistema especialista , conhecido como Dendral . Embora tenha sido projetado para aplicações em química orgânica, forneceu a base para um sistema subsequente MYCIN , considerado um dos primeiros usos mais significativos da inteligência artificial na medicina. MYCIN e outros sistemas, como INTERNIST-1 e CASNET, não alcançaram o uso rotineiro pelos médicos, no entanto.

As décadas de 1980 e 1990 trouxeram a proliferação do microcomputador e novos níveis de conectividade de rede. Durante esse tempo, houve um reconhecimento por pesquisadores e desenvolvedores de que os sistemas de IA na área da saúde devem ser projetados para acomodar a ausência de dados perfeitos e se basear na experiência dos médicos. Abordagens envolvendo teoria dos conjuntos fuzzy , redes bayesianas e redes neurais artificiais têm sido aplicadas a sistemas de computação inteligente na área da saúde.

Avanços médicos e tecnológicos ocorridos ao longo deste período de meio século, que permitiram o crescimento de aplicações de IA relacionadas à saúde, incluindo:

Pesquisa atual

Diversas especialidades da medicina têm mostrado um aumento nas pesquisas em relação à IA. À medida que o novo coronavírus se espalha pelo mundo, estima-se que os Estados Unidos invistam mais de US $ 2 bilhões em pesquisas de saúde relacionadas à IA nos próximos 5 anos, mais de 4 vezes o valor gasto em 2019 (US $ 463 milhões).

Dermatologia

A dermatologia é uma especialidade abundante em imagens e o desenvolvimento do aprendizado profundo tem sido fortemente vinculado ao processamento de imagens . Portanto, há um ajuste natural entre a dermatologia e o aprendizado profundo. Existem 3 tipos de imagens principais em dermatologia: imagens contextuais, imagens macro, imagens micro. Para cada modalidade, o aprendizado profundo mostrou um grande progresso. Han et. al. mostrou detecção de câncer de pele queratinocítico a partir de fotografias de rosto. Esteva et al. demonstraram a classificação de câncer de pele em nível de dermatologista a partir de imagens de lesões. Noyan et. al. demonstraram uma rede neural convolucional que alcançou 94% de precisão na identificação de células da pele a partir de imagens microscópicas de esfregaço de Tzanck .

Radiologia

A IA está sendo estudada no campo da radiologia para detectar e diagnosticar doenças em pacientes por meio de tomografia computadorizada (TC) e ressonância magnética (RM). O foco em Inteligência Artificial em radiologia aumentou rapidamente nos últimos anos, de acordo com a Sociedade de Radiologia da América do Norte, onde observaram um crescimento de 0 a 3, 17 e, em geral, 10% do total de publicações de 2015-2018, respectivamente. Um estudo em Stanford criou um algoritmo que pode detectar pneumonia em pacientes com uma melhor métrica F1 média (uma métrica estatística baseada na precisão e na memória), do que os radiologistas envolvidos no estudo. Por meio de imagens em oncologia, a IA tem sido capaz de servir bem para detectar anormalidades e monitorar mudanças ao longo do tempo; dois fatores-chave na saúde oncológica. Muitas empresas e sistemas independentes de fornecedores, como icometrix, QUIBIM, Robovision e IMAGRT da UMC Utrecht, tornaram-se disponíveis para fornecer uma plataforma de aprendizado de máquina treinável para detectar uma ampla gama de doenças. A Radiological Society of North America implementou apresentações sobre IA em imagens durante sua conferência anual. Muitos profissionais estão otimistas quanto ao futuro do processamento de IA em radiologia, pois isso reduzirá o tempo de interação necessário e permitirá que os médicos atendam mais pacientes. Embora nem sempre seja tão bom quanto um olho treinado para decifrar crescimentos maliciosos ou benignos, a história da imagem médica mostra uma tendência de rápido avanço tanto na capacidade quanto na confiabilidade de novos sistemas. O surgimento da tecnologia de IA em radiologia é percebido como uma ameaça por alguns especialistas, pois pode melhorar por certas métricas estatísticas em casos isolados, onde os especialistas não podem.

Triagem

Avanços recentes têm sugerido o uso de IA para descrever e avaliar o resultado da cirurgia maxilo-facial ou a avaliação da terapia de fenda palatina em relação à atratividade facial ou aparência de idade.

Em 2018, um artigo publicado na revista Annals of Oncology mencionou que o câncer de pele poderia ser detectado com mais precisão por um sistema de inteligência artificial (que usava uma rede neural convolucional de aprendizado profundo) do que por dermatologistas . Em média, os dermatologistas humanos detectaram com precisão 86,6% dos cânceres de pele pelas imagens, em comparação com 95% da máquina CNN.

Em janeiro de 2020, pesquisadores demonstraram um sistema de IA, baseado em um algoritmo Google DeepMind , que é capaz de superar os especialistas humanos na detecção do câncer de mama .

Em julho de 2020, foi relatado que um algoritmo de IA da Universidade de Pittsburgh atinge a maior precisão até o momento na identificação do câncer de próstata , com sensibilidade de 98% e especificidade de 97%.

Psiquiatria

Na psiquiatria, as aplicações de IA ainda estão em fase de prova de conceito. As áreas onde as evidências estão se ampliando rapidamente incluem chatbots, agentes de conversação que imitam o comportamento humano e que foram estudados para ansiedade e depressão.

Os desafios incluem o fato de que muitos aplicativos na área são desenvolvidos e propostos por empresas privadas, como a triagem de ideação suicida implementada pelo Facebook em 2017. Tais aplicativos fora do sistema de saúde levantam várias questões profissionais, éticas e regulatórias.

Atenção primária

A atenção primária se tornou uma área de desenvolvimento chave para tecnologias de IA. A IA na atenção primária tem sido usada para apoiar a tomada de decisões, modelagem preditiva e análise de negócios. Apesar dos rápidos avanços nas tecnologias de IA, a visão dos clínicos gerais sobre o papel da IA ​​na atenção primária é muito limitada - principalmente focada nas tarefas de documentação administrativa e de rotina.

Diagnóstico de doença

Um artigo de Jiang, et al. (2017) demonstraram que existem vários tipos de técnicas de IA que têm sido usados ​​para uma variedade de doenças diferentes, como máquinas de vetores de suporte, redes neurais e árvores de decisão. Cada uma dessas técnicas é descrita como tendo um “objetivo de treinamento”, portanto, “as classificações concordam com os resultados tanto quanto possível ...”.

Para demonstrar algumas especificidades para o diagnóstico / classificação de doenças, existem duas técnicas diferentes usadas na classificação dessas doenças, incluindo o uso de “Redes Neurais Artificiais (RNA) e Redes Bayesianas (BN)”. Verificou-se que a RNA era melhor e poderia classificar com mais precisão diabetes e DCV.

Por meio do uso de Classificadores de Aprendizagem Médica (MLCs), a Inteligência Artificial tem sido capaz de auxiliar substancialmente os médicos no diagnóstico de pacientes por meio da manipulação de Registros de Saúde Eletrônicos (EHRs) em massa . As condições médicas tornaram-se mais complexas e, com um vasto histórico de construção de registros médicos eletrônicos, a probabilidade de duplicação de casos é alta. Embora hoje em dia alguém com uma doença rara tenha menos probabilidade de ser a única pessoa a ter sofrido de uma determinada doença, a incapacidade de acessar casos de origens sintomáticas semelhantes é um grande obstáculo para os médicos. A implementação da IA ​​não apenas ajuda a encontrar casos e tratamentos semelhantes, mas também considera os sintomas principais e ajuda os médicos a fazer as perguntas mais adequadas, ajuda o paciente a receber o diagnóstico e o tratamento mais precisos possíveis.

Telemedicina

Um homem idoso usando um oxímetro de pulso para medir seus níveis de oxigênio no sangue

O aumento da telemedicina , o tratamento de pacientes remotamente, tem mostrado o surgimento de possíveis aplicações de IA. A IA pode ajudar a cuidar de pacientes remotamente, monitorando suas informações por meio de sensores. Um dispositivo vestível pode permitir o monitoramento constante de um paciente e a capacidade de notar mudanças que podem ser menos distinguíveis por humanos. As informações podem ser comparadas a outros dados que já foram coletados usando algoritmos de inteligência artificial que alertam os médicos se houver algum problema a ser considerado.

Outra aplicação da inteligência artificial é a terapia de chat-bot. Alguns pesquisadores afirmam que a dependência de chatbots para saúde mental não oferece a reciprocidade e responsabilidade de cuidado que deveria existir na relação entre o consumidor de saúde mental e o provedor de cuidados (seja um chat-bot ou psicólogo).

Como a idade média aumentou devido a uma expectativa de vida mais longa, a inteligência artificial pode ser útil para ajudar a cuidar das populações mais velhas. Ferramentas como sensores de ambiente e pessoais podem identificar as atividades regulares de uma pessoa e alertar o zelador se um comportamento ou medida vital for anormal. Embora a tecnologia seja útil, também há discussões sobre as limitações do monitoramento para respeitar a privacidade de uma pessoa, uma vez que existem tecnologias que são projetadas para mapear layouts residenciais e detectar interações humanas.

Registros eletrônicos de saúde

Os registros eletrônicos de saúde (EHR) são cruciais para a digitalização e disseminação de informações do setor de saúde. Agora que cerca de 80% das práticas médicas usam EHR, o próximo passo é usar inteligência artificial para interpretar os registros e fornecer novas informações aos médicos.

Um aplicativo usa processamento de linguagem natural (PNL) para fazer relatórios mais sucintos que limitam a variação entre termos médicos combinando termos médicos semelhantes. Por exemplo, os termos ataque cardíaco e infarto do miocárdio significam as mesmas coisas, mas os médicos podem usá-los continuamente com base em preferências pessoais. Os algoritmos de PNL consolidam essas diferenças para que conjuntos de dados maiores possam ser analisados. Outro uso da PNL identifica frases redundantes devido à repetição nas anotações do médico e mantém as informações relevantes para facilitar a leitura. Outros aplicativos usam o processamento de conceito para analisar as informações inseridas pelo médico do paciente atual para apresentar casos semelhantes e ajudar o médico a se lembrar de incluir todos os detalhes relevantes.


Além de fazer edições de conteúdo em um EHR, existem algoritmos de IA que avaliam o registro de um paciente individual e prevêem o risco de uma doença com base em suas informações anteriores e histórico familiar. Um algoritmo geral é um sistema baseado em regras que toma decisões de maneira semelhante a como os humanos usam os fluxogramas. Esse sistema capta grandes quantidades de dados e cria um conjunto de regras que conectam observações específicas a diagnósticos concluídos. Assim, o algoritmo pode obter os dados de um novo paciente e tentar prever a probabilidade de que ele terá uma determinada condição ou doença. Como os algoritmos podem avaliar as informações de um paciente com base em dados coletivos, eles podem encontrar quaisquer questões pendentes para chamar a atenção de um médico e economizar tempo. Um estudo conduzido pelo instituto de pesquisa Centerstone descobriu que a modelagem preditiva dos dados EHR alcançou 70-72% de precisão na previsão da resposta individualizada ao tratamento. Esses métodos são úteis devido ao fato de que a quantidade de registros de saúde online dobra a cada cinco anos. Os médicos não têm largura de banda para processar todos esses dados manualmente e a IA pode aproveitar esses dados para auxiliar os médicos no tratamento de seus pacientes.

Interações medicamentosas

As melhorias no processamento da linguagem natural levaram ao desenvolvimento de algoritmos para identificar as interações medicamentosas na literatura médica. As interações medicamentosas representam uma ameaça para aqueles que tomam vários medicamentos simultaneamente, e o perigo aumenta com o número de medicamentos que estão sendo tomados. Para lidar com a dificuldade de rastrear todas as interações medicamentosas conhecidas ou suspeitas, algoritmos de aprendizado de máquina foram criados para extrair informações sobre a interação de medicamentos e seus possíveis efeitos da literatura médica. Os esforços se consolidaram em 2013 no DDIExtraction Challenge, no qual uma equipe de pesquisadores da Universidade Carlos III montou um corpus de literatura sobre interações medicamentosas para formar um teste padronizado para tais algoritmos. Os concorrentes foram testados em sua capacidade de determinar com precisão, a partir do texto, quais drogas mostraram interagir e quais eram as características de suas interações. Os pesquisadores continuam a usar esse corpus para padronizar a medição da eficácia de seus algoritmos.

Outros algoritmos identificam interações medicamentosas a partir de padrões no conteúdo gerado pelo usuário , especialmente registros eletrônicos de saúde e / ou relatórios de eventos adversos. Organizações como o Sistema de Notificação de Eventos Adversos do FDA (FAERS) e o VigiBase da Organização Mundial da Saúde permitem que os médicos enviem relatórios de possíveis reações negativas aos medicamentos. Algoritmos de aprendizado profundo foram desenvolvidos para analisar esses relatórios e detectar padrões que implicam em interações medicamentosas.

Criação de novos medicamentos

O DSP-1181, uma molécula da droga para o tratamento do TOC (transtorno obsessivo-compulsivo), foi inventado pela inteligência artificial por meio de esforços conjuntos da Exscientia (start-up britânica) e da Sumitomo Dainippon Pharma (empresa farmacêutica japonesa). O desenvolvimento do medicamento levou um único ano, enquanto as empresas farmacêuticas costumam passar cerca de cinco anos em projetos semelhantes. O DSP-1181 foi aceito para um teste em humanos.

Em setembro de 2019, a Insilico Medicine relata a criação, via inteligência artificial, de seis novos inibidores do gene DDR1 , um alvo quinase implicado na fibrose e outras doenças. O sistema, conhecido como Generative Tensorial Reinforcement Learning (GENTRL), projetou os novos compostos em 21 dias, com um candidato a líder testado e apresentando resultados positivos em camundongos.

No mesmo mês, a empresa canadense Deep Genomics anuncia que sua plataforma de descoberta de medicamentos baseada em IA identificou um alvo e candidato a medicamento para a doença de Wilson . O candidato, DG12P1, é projetado para corrigir o efeito de salto de exon de Met645Arg, uma mutação genética que afeta a proteína de ligação de cobre ATP7B.

Indústria

A tendência de fusão de grandes empresas de saúde permite maior acessibilidade aos dados de saúde. Maiores dados de saúde estabelecem as bases para a implementação de algoritmos de IA.

Uma grande parte do foco da indústria de implementação de IA no setor de saúde está nos sistemas de suporte à decisão clínica . À medida que mais dados são coletados, os algoritmos de aprendizado de máquina se adaptam e permitem respostas e soluções mais robustas. Inúmeras empresas estão explorando as possibilidades de incorporação de big data no setor de saúde. Muitas empresas investigam as oportunidades de mercado por meio dos domínios de “tecnologias de avaliação, armazenamento, gerenciamento e análise de dados”, todas partes cruciais do setor de saúde.

A seguir estão exemplos de grandes empresas que contribuíram com algoritmos de IA para uso na área da saúde:

  • O Watson Oncology da IBM está em desenvolvimento no Memorial Sloan Kettering Cancer Center e na Cleveland Clinic . A IBM também está trabalhando com a CVS Health em aplicativos de IA no tratamento de doenças crônicas e com a Johnson & Johnson na análise de artigos científicos para encontrar novas conexões para o desenvolvimento de medicamentos. Em maio de 2017, a IBM e o Rensselaer Polytechnic Institute iniciaram um projeto conjunto intitulado Health Empowerment by Analytics, Learning and Semantics (HEALS), para explorar o uso de tecnologia de IA para aprimorar a saúde.
  • O projeto Hanover da Microsoft , em parceria com o Knight Cancer Institute da Oregon Health & Science University , analisa a pesquisa médica para prever as opções mais eficazes de tratamento medicamentoso para o câncer para os pacientes. Outros projetos incluem a análise de imagens médicas da progressão do tumor e o desenvolvimento de células programáveis.
  • A plataforma DeepMind do Google está sendo usada pelo Serviço Nacional de Saúde do Reino Unido para detectar certos riscos à saúde por meio de dados coletados por meio de um aplicativo móvel. Um segundo projeto com o NHS envolve a análise de imagens médicas coletadas de pacientes do NHS para desenvolver algoritmos de visão computacional para detectar tecidos cancerígenos.
  • A Tencent está trabalhando em vários sistemas e serviços médicos. Isso inclui o AI Medical Innovation System (AIMIS), um serviço de imagens médicas para diagnóstico acionado por AI; WeChat Intelligent Healthcare; e Tencent Doctorwork
  • O braço de capital de risco da Intel, Intel Capital, investiu recentemente na startup Lumiata, que usa IA para identificar pacientes em risco e desenvolver opções de tratamento.
  • A Kheiron Medical desenvolveu um software de aprendizado profundo para detectar câncer de mama em mamografias .
  • A Fractal Analytics incubou o Qure.ai, que se concentra no uso de aprendizado profundo e IA para melhorar a radiologia e acelerar a análise de raios-x diagnósticos.
  • Elon Musk estreia o robô cirúrgico que implanta o chip cerebral Neuralink
    O Neuralink surgiu com um neuroprosthetic de última geração que interage intrincadamente com milhares de vias neurais no cérebro. Seu processo permite que um chip, aproximadamente do tamanho de um quarto, seja inserido no lugar de um pedaço de um crânio por um robô cirúrgico de precisão para evitar ferimentos acidentais.

Aplicativos de consultores digitais como o GP at Hand da Babylon Health , Ada Health , AliHealth Doctor You , KareXpert e Your.MD usam IA para fornecer consultas médicas com base no histórico médico pessoal e no conhecimento médico comum. Os usuários relatam seus sintomas no aplicativo, que usa reconhecimento de voz para comparar com um banco de dados de doenças. Babylon oferece então uma ação recomendada, levando em consideração o histórico médico do usuário. Os empreendedores da área de saúde têm usado efetivamente sete arquétipos de modelos de negócios para levar a solução de IA [ palavra da moda ] ao mercado. Esses arquétipos dependem do valor gerado para o usuário-alvo (por exemplo, foco no paciente vs. foco do provedor de saúde e do pagador) e mecanismos de captura de valor (por exemplo, fornecer informações ou conectar as partes interessadas).

A IFlytek lançou um robô de serviço “Xiao Man”, que integrou tecnologia de inteligência artificial para identificar o cliente cadastrado e fornecer recomendações personalizadas nas áreas médicas. Também atua na área de imagens médicas. Robôs semelhantes também estão sendo feitos por empresas como UBTECH ("Cruzr") e Softbank Robotics ("Pepper").

A startup indiana Haptik desenvolveu recentemente um chatbot WhatsApp que responde a perguntas associadas ao coronavírus mortal na Índia .

Com o mercado de IA em constante expansão, grandes empresas de tecnologia como Apple, Google, Amazon e Baidu têm suas próprias divisões de pesquisa de IA, bem como milhões de dólares alocados para aquisição de empresas menores baseadas em IA. Muitos fabricantes de automóveis também estão começando a usar o sistema de aprendizado de máquina em seus carros. Empresas como BMW , GE , Tesla , Toyota e Volvo têm novas campanhas de pesquisa para encontrar maneiras de aprender as estatísticas vitais de um motorista para garantir que ele esteja acordado, prestando atenção na estrada e não sob a influência de substâncias ou em sofrimento emocional .

Implicações

Prevê-se que o uso de IA reduz os custos médicos, pois haverá mais precisão no diagnóstico e melhores previsões no plano de tratamento, bem como mais prevenção de doenças.

Outros usos futuros da IA ​​incluem Interfaces Cérebro-Computador (BCI), que se prevêem ajudar as pessoas com problemas para se mover, falar ou com lesão na medula espinhal. Os BCIs usarão IA para ajudar esses pacientes a se moverem e se comunicarem por meio da decodificação de ativos neurais.

A inteligência artificial levou a melhorias significativas nas áreas da saúde, como imagens médicas, tomada de decisão clínica automatizada, diagnóstico, prognóstico e muito mais. Embora a IA possua a capacidade de revolucionar vários campos da medicina, ainda tem limitações e não pode substituir um médico de cabeceira.

A saúde é uma ciência complicada que está limitada por restrições legais, éticas, regulatórias, econômicas e sociais. Para implementar totalmente a IA na área de saúde, deve haver "mudanças paralelas no ambiente global, com várias partes interessadas, incluindo o cidadão e a sociedade".

Expandindo o atendimento às nações em desenvolvimento

A inteligência artificial continua a se expandir em suas habilidades para diagnosticar mais pessoas com precisão em países onde menos médicos estão acessíveis ao público. Muitas novas empresas de tecnologia, como a SpaceX e a Raspberry Pi Foundation , permitiram que mais países em desenvolvimento tivessem acesso a computadores e à Internet do que nunca. Com os recursos crescentes da IA ​​pela Internet, os algoritmos avançados de aprendizado de máquina podem permitir que os pacientes sejam diagnosticados com precisão quando antes não teriam como saber se tinham uma doença fatal ou não.

O uso de IA em países em desenvolvimento que não têm os recursos diminuirá a necessidade de terceirização e pode melhorar o atendimento ao paciente. A IA pode permitir não apenas o diagnóstico de pacientes em áreas onde os cuidados de saúde são escassos, mas também permitir uma boa experiência do paciente ao disponibilizar recursos para encontrar o melhor tratamento para um paciente. A capacidade da IA ​​de ajustar o curso à medida que avança também permite que o paciente tenha seu tratamento modificado com base no que funciona para ele; um nível de atenção individualizada que é quase inexistente nos países em desenvolvimento.

Regulamento

Embora a pesquisa sobre o uso de IA na área de saúde tenha como objetivo validar sua eficácia na melhoria dos resultados dos pacientes antes de sua adoção mais ampla, seu uso pode, no entanto, introduzir vários novos tipos de risco para pacientes e profissionais de saúde, como viés algorítmico , implicações de não ressuscitar e outras questões de moralidade da máquina . Esses desafios do uso clínico da IA ​​trouxeram a necessidade potencial de regulamentações.

Um homem falando no workshop de conformidade do GDPR no Entrepreneurship Summit 2019.

Atualmente, existem regulamentos relativos à coleta de dados de pacientes. Isso inclui políticas como a Lei de Responsabilidade e Portabilidade de Seguros de Saúde ( HIPAA ) e o Regulamento Geral Europeu de Proteção de Dados ( GDPR ). O GDPR se refere a pacientes dentro da UE e detalha os requisitos de consentimento para o uso de dados do paciente quando as entidades coletam dados de saúde do paciente. Da mesma forma, a HIPAA protege os dados de saúde dos registros de pacientes nos Estados Unidos. Em maio de 2016, a Casa Branca anunciou seu plano de sediar uma série de workshops e formar o Subcomitê de Aprendizado de Máquina e Inteligência Artificial do Conselho Nacional de Ciência e Tecnologia (NSTC). Em outubro de 2016, o grupo publicou o Plano Estratégico Nacional de Pesquisa e Desenvolvimento de Inteligência Artificial, delineando suas prioridades propostas para pesquisa e desenvolvimento de IA financiados pelo governo federal (dentro do governo e da academia). O relatório observa que um plano estratégico de P&D para o subcampo de tecnologia da informação em saúde está em estágios de desenvolvimento.

A única agência que expressou preocupação é a FDA. Bakul Patel, o Diretor do Centro Associado para Saúde Digital do FDA, é citado dizendo em maio de 2017:

“Estamos tentando conseguir pessoas com experiência prática em desenvolvimento com o ciclo de vida completo de um produto. Já temos alguns cientistas que conhecem inteligência artificial e aprendizado de máquina, mas queremos pessoas complementares que possam olhar para frente e ver como essa tecnologia evoluirá. ”

O Grupo de Foco conjunto ITU-OMS em Inteligência Artificial para a Saúde (FG-AI4H) construiu uma plataforma para o teste e benchmarking de aplicações de IA no domínio da saúde. Em novembro de 2018, oito casos de uso estão sendo avaliados, incluindo avaliação do risco de câncer de mama a partir de imagens histopatológicas, orientação da seleção de antiveneno em imagens de cobras e diagnóstico de lesões cutâneas.

Preocupações éticas

Coleção de dados

Para treinar com eficácia o Aprendizado de Máquina e usar IA na área de saúde, grandes quantidades de dados devem ser coletadas. Adquirir esses dados, no entanto, tem o custo da privacidade do paciente na maioria dos casos e não é bem recebido publicamente. Por exemplo, uma pesquisa realizada no Reino Unido estimou que 63% da população se sente desconfortável em compartilhar seus dados pessoais para aprimorar a tecnologia de inteligência artificial. A escassez de dados reais e acessíveis do paciente é um obstáculo que impede o progresso do desenvolvimento e implantação de mais inteligência artificial na área de saúde.

Automação

De acordo com um estudo recente, a IA pode substituir até 35% dos empregos no Reino Unido nos próximos 10 a 20 anos. No entanto, desses trabalhos, concluiu-se que a IA não eliminou nenhum trabalho de saúde até agora. Porém, se a IA automatizasse trabalhos relacionados à saúde, os trabalhos mais suscetíveis à automação seriam aqueles que lidam com informação digital, radiologia e patologia, em oposição àqueles que lidam com a interação médico-paciente.

A automação também pode trazer benefícios para os médicos. Espera-se que os médicos que tiram proveito da IA ​​na área da saúde forneçam cuidados de saúde de maior qualidade do que os médicos e estabelecimentos médicos que não o fazem. Provavelmente, a IA não substituirá completamente os profissionais de saúde, mas dará a eles mais tempo para cuidar de seus pacientes. A IA pode evitar o esgotamento do trabalhador de saúde e a sobrecarga cognitiva

Em última análise, a IA ajudará a contribuir para a progressão dos objetivos sociais, que incluem melhor comunicação, melhor qualidade dos cuidados de saúde e autonomia.

Tendência

Como a IA toma decisões apenas com base nos dados que recebe como entrada, é importante que esses dados representem dados demográficos precisos do paciente. Em um ambiente hospitalar, os pacientes não têm conhecimento total de como os algoritmos preditivos são criados ou calibrados. Portanto, esses estabelecimentos médicos podem codificar injustamente seus algoritmos para discriminar as minorias e priorizar os lucros em vez de fornecer o atendimento ideal.

Também pode haver um viés não intencional nesses algoritmos que podem exacerbar as desigualdades sociais e de saúde. Uma vez que as decisões da IA ​​são um reflexo direto de seus dados de entrada, os dados que ela recebe devem ter uma representação precisa da demografia do paciente. Homens brancos são excessivamente representados em conjuntos de dados médicos. Portanto, ter dados mínimos de pacientes em minorias pode levar a IA fazendo previsões mais precisas para populações majoritárias, levando a piores resultados médicos não intencionais para populações minoritárias. A coleta de dados de comunidades minoritárias também pode levar à discriminação médica. Por exemplo, o HIV é um vírus prevalente entre comunidades minoritárias e o status do HIV pode ser usado para discriminar os pacientes. No entanto, esses vieses podem ser eliminados por meio de uma implementação cuidadosa e uma coleta metódica de dados representativos.

Veja também

Referências

Leitura adicional